LingBot-Vision: el modelo de visión gratuito de Ant Group

Ant Group ha lanzado gratis LingBot-Vision, una familia de modelos de visión de código abierto con 1.000 millones de parámetros para percepción espacial en robótica.

Qué es el masked boundary modeling

En los enfoques clásicos de masked autoencoder, la señal de entrenamiento son parches de píxeles ocultos: el modelo reconstruye las zonas enmascaradas de la imagen y forma una comprensión general del contenido visual. LingBot-Vision cambia la señal: lo que se predice son los propios bordes de los objetos.

La idea parte de una observación sencilla: los contornos entre objetos contienen información espacial densa, como dónde termina un objeto, cómo es la geometría de la escena y qué forma tienen las superficies. El modelo aprende a reconocer y reconstruir precisamente esos contornos. Para los sistemas robóticos, este conocimiento es crítico: un robot no solo necesita reconocer que delante tiene una mesa, sino entender con exactitud dónde empieza y dónde acaba en el espacio.

El método es totalmente autosupervisado: no requiere etiquetado manual. El modelo extrae la señal de entrenamiento directamente de la estructura de las imágenes, de modo que preparar los datos resulta mucho más barato que con enfoques supervisados.

Por qué un modelo de 1B supera a otros mayores

El resultado clave de Robbyant: en tareas de percepción espacial densa, el backbone de 1B de LingBot-Vision iguala o supera a modelos de mayor tamaño. Cabe destacar que se trata de una arquitectura ViT: los backbones de Vision Transformer suelen beneficiarse del escalado, por lo que los buenos resultados con 1.000 millones de parámetros apuntan sobre todo a la eficacia de la propia señal de entrenamiento.

Características clave del modelo:

• Parámetros: 1.000 millones (backbone ViT de 1B)
• Método de entrenamiento: masked boundary modeling sin etiquetado manual
• Tarea objetivo: percepción espacial densa
• Papel en el ecosistema: inicialización de LingBot-Depth 2.0
• Fecha de lanzamiento abierto: 7 de julio de 2026

La percepción espacial densa abarca la estimación de profundidad, la comprensión de la geometría de las superficies y la detección precisa de objetos en el espacio tridimensional, justo donde la información de bordes aporta la mayor mejora. LingBot-Vision también aporta los pesos base de LingBot-Depth 2.0, un sistema de percepción de profundidad del mismo ecosistema de Robbyant. Eso indica un enfoque sistemático: Ant Group construye de forma sostenida una pila interconectada de componentes de visión para aplicaciones robóticas.

Código abierto para impulsar un nicho

Ant Group es un gigante fintech, matriz de Alipay y uno de los mayores actores tecnológicos de China. Robbyant es su división centrada en sistemas robóticos e IA para el mundo físico.

El lanzamiento abierto de LingBot-Vision encaja en una estrategia visible de los grandes laboratorios chinos de IA: publicar modelos competitivos en abierto y fijar estándares en nichos concretos. Publicar el código y los pesos reduce la barrera de entrada para los equipos que trabajan en percepción robótica, visión artificial industrial y sistemas autónomos. Además, el masked boundary modeling admite adaptaciones: los investigadores pueden experimentar con otros tipos de señales estructurales sobre la misma base arquitectónica.

Qué significa

LingBot-Vision demuestra que, en percepción espacial, la señal de entrenamiento adecuada importa más que la escala del modelo. Para ingenieros e investigadores de percepción 3D y robótica, es una base open source lista para usar y sin costoso etiquetado de datos. El masked boundary modeling también resulta prometedor por sí mismo: abre la puerta a experimentar con tipos de información estructural extraída de imágenes sin etiquetas.